Core Concepts
분산 STAR-RIS 지원 다중 사용자 MISO 시스템에서 사용자 합 전송률을 최대화하기 위해 기지국의 능동 빔포밍 벡터와 STAR-RIS의 수동 빔포밍을 공동 최적화하는 그래프 신경망 기반 솔루션을 제안한다.
Abstract
이 논문은 분산 STAR-RIS 지원 다중 사용자 MISO 시스템에서 사용자 합 전송률을 최대화하기 위한 공동 능동 및 수동 빔포밍 최적화 문제를 다룬다.
먼저 문제를 비볼록 최적화 문제로 정식화하고, 이를 해결하기 위해 교대 최적화(AO) 기반 반복 알고리즘을 제안한다. AO 알고리즘은 기지국 빔포밍 벡터, STAR-RIS 위상 천이 및 진폭 계수를 각각 최적화하는 세 개의 하위 문제로 분해하고, 반복적으로 해결한다.
이어서 그래프 신경망(GNN) 기반 솔루션을 제안한다. 먼저 STAR-RIS 요소와 사용자를 서로 다른 유형의 정점으로 갖는 이종 그래프 표현을 도입한다. 그리고 이종 그래프 메시지 전달(HGMP) 알고리즘을 제안하여 전체 그래프를 통해 정보를 교환하고 협력적으로 빔포밍 및 STAR-RIS 위상 천이를 최적화한다. 제안된 HGMP 알고리즘은 빔포밍 정책의 순열 등가 속성을 보존한다. 또한 정점 및 간선 차원이 시스템 구성에 관계없이 일정하므로 다양한 시스템 설정에 적용할 수 있는 확장성을 가진다.
마지막으로 빔포밍 이종 그래프 신경망(BHGNN) 모델을 제시하여 HGMP 알고리즘을 효과적으로 구현한다. BHGNN은 각 함수를 완전 연결 신경망으로 근사화하여 구현되며, 시스템 합 전송률을 최적화하도록 학습된다.
Stats
제안된 HGNN 모델은 다양한 시스템 구성에 걸쳐 우수한 일반화 성능을 보인다.
제안된 HGNN 모델은 AO 기반 접근법에 비해 훨씬 낮은 계산 복잡도를 가진다.
Quotes
"분산 STAR-RIS 지원 시스템에서는 다중 지능형 반사 표면의 배치를 통해 커버리지, 신호 전력 및 시스템 에너지 효율성을 향상시킬 수 있다."
"그래프 신경망(GNN)은 고정 크기의 입출력 차원을 가지는 완전 연결 신경망(FCNN) 및 합성곱 신경망(CNN)과 달리, 정점 및 간선 차원이 시스템 구성에 관계없이 일정하므로 다양한 시스템 설정에 적용할 수 있는 확장성을 가진다."